Analysis of Application of Cluster Descriptions in Space of Characteristic Image Features

Abstract

In this paper, we propose an investigation of the properties of structural image recognition methods in the cluster space of characteristic features. Recognition, which is based on key point descriptors like SIFT (Scale-invariant Feature Transform), SURF (Speeded Up Robust Features), ORB (Oriented FAST and Rotated BRIEF), etc., often relating to the search for corresponding descriptor values between an input image and all etalon images, which require many operations and time. Recognition of the previously quantized (clustered) sets of descriptor features is described. Clustering is performed across the complete set of etalon image descriptors and followed by screening, which allows for representation of each etalon image in vector form as a distribution of clusters. Due to such representations, the number of computation and comparison procedures, which are the core of the recognition process, might be reduced tens of times. Respectively, the preprocessing stage takes additional time for clustering. The implementation of the proposed approach was tested on the Leeds Butterfly dataset. The dependence of cluster amount on recognition performance and processing time was investigated. It was proven that recognition may be performed up to nine times faster with only a moderate decrease in quality recognition compared to searching for correspondences between all existing descriptors in etalon images and input one without quantization. У даній роботі пропонується дослідження властивостей структурних методів розпізнавання зображень в кластерному просторі характерних ознак. Розпізнавання, яке засноване на дескрипторах ключових точок, таких як SIFT (масштабно-інваріантне перетворення об'єктів), SURF (прискорені стійкі функції), ORB (орієнтований FAST і повернений BRIEF) і т. д., часто пов'язані з пошуком відповідних значень дескриптора між вхідним зображенням і всіма еталонними, що вимагає багато операцій і часу. У статті описано розпізнавання попередньо квантованих (кластеризованих) наборів характеристик дескриптора. Кластеризація виконується за повним набором дескрипторів еталонних зображень і супроводжується «просіюванням», яке дозволяє подати кожне еталонне зображення у векторній формі у вигляді розподілу кластерів. Завдяки таким представленням, кількість операцій обчислення і порівняння, які є ядром процесу розпізнавання, може бути зменшено в десятки разів. Відповідно, етап попередньої обробки займає додатковий час для кластеризації. Реалізацію запропонованого підходу була протестована на наборі даних Leeds Butterfly. Досліджено залежність ефективності розпізнавання і часу обробки від кількості кластерів. Було показано, що розпізнавання може бути виконано до дев'яти разів швидше при незначному зниженні якості розпізнавання в порівнянні з пошуком відповідностей між усіма існуючими дескрипторами в еталонних зображеннях і вхідним зображенням без квантування. В данной работе предлагается исследование свойств структурных методов распознавания изображений в кластерном пространстве характерных признаков. Распознавание, которое основано на дескрипторах ключевых точек, таких как SIFT (масштабно-инвариантное преобразование объектов), SURF (ускоренные устойчивые функции), ORB (ориентированный FAST и повернутый BRIEF) и т. д., часто связаны с поиском соответствующих значений дескриптора между входным изображением и всеми эталонными, что требует много операций и времени. В статье описано распознавание предварительно квантованных (кластеризованных) наборов характеристик дескриптора. Кластеризация выполняется по полному набору дескрипторов эталонных изображений и сопровождается «просеиванием», которое позволяет представить каждое эталонное изображение в векторной форме в виде распределения кластеров. Благодаря таким представлениям, количество операций вычисления и сравнения, которые являются ядром процесса распознавания, может быть уменьшено в десятки раз. Соответственно, этап предварительной обработки занимает дополнительное время для кластеризации. Реализация предложенного подхода была протестирована на наборе данных Leeds Butterfly. Исследована зависимость эффективности распознавания и времени обработки от количества кластеров. Было показано, что распознавание может быть выполнено до девяти раз быстрее при незначительном снижении качества распознавания по сравнению с поиском соответствий между всеми существующими дескрипторами в эталонных изображениях и входным изображением без квантования.